Maximum Power Point Tracking of the Photovoltaic System Based on Adaptive Fuzzy-Neural Method

رديابي نقطه توان ماكزيمم در سيستم‌هاي فتوولتاييك به روش فازي‌ـ‌تطبيقي‌ـ‌عصبي

ايده اصلي از اين مقاله، ارايه يك روش بهينه‌سازي براي استفاده از حداكثر توان در سيستم‌هاي فتوولتاييك است. در اينجا روشي براي رديابي نقطه توان ماكزيمم ارايه كرده‌ايم كه عملكرد آن براساس شبكه‌هاي عصبي و كنترلر تطبيقي است. در اين سيستم پيشنهادي، توسط شبكه عصبي، يك خطا براي سيستم تخمين زده‌ايم. اگر اين خطا كوچك‌تر از خطاي مجاز سيستم باشد، نشانگر اين است كه سيستم در حال كاركرد در نقطه توان ماكزيمم است؛ اما اگر اين خطا بزرگ‌تر از خطاي مجاز سيستم باشد، سيستم تطبيقي عملكرد خود را شروع كرده و رديابي را انجام مي‌دهد. قسمت تطبيقي اين سيستم پيشنهادي از دو كنترلر فازي تشكيل شده است كه داراي توابع عضويت و قوانين متفاوت‌اند. كنترلر فازي اول براي توليد سيكل هدايت براي تنظيم مبدل بوست و كنترلر دوم براي تنظيم آنلاين خروجي كنترلر اول طراحي شده است. ما اين سيستم پيشنهادي را در محيط نرم‌افزار متلب شبيه‌سازي كرده و سپس به مقايسه نتايج حاصل از اين سيستم پيشنهادي و نتايج حاصل از سيستم‌هاي مرسوم P&O و فازي پرداخته‌ايم. نتايج شبيه‌سازي نشان مي‌دهند كه اين سيستم پيشنهادي عملكرد مطلوب‌تري نسبت به دو سيستم ذكرشده دارد و در كل راندمان سيستم را افزايش خواهد داد.

The aim of this paper was to present an optimized method in order to use maximum capacity of the photovoltaic panels. In this regard, we presented a method for the maximum power point tracking in the photovoltaic systems by using the neural networks and adaptive controller. In the proposed system, we estimated an error by using neural network. If this error is lower than the allowable systems error, the system works at the maximum power point, and if the error value is greater than the allowable error, the output power can be adjusted by using the adaptive controller. The adaptive part of the proposed system consisted of two fuzzy controllers with two different rule bases. The first controller designed to produce the duty cycle of the boost converter and the second controller designed to adjust online the outputs scaling factor of the first controller. We simulated the proposed system in the MATLAB software and then compared the output power of this system with the output power of the conventional fuzzy and the P&O methods. The comparison results indicated that the proposed system had better performance compared to the two above-mentioned methods.